Googleovo strojno učenje blokira neželjenu poštu s 99,9% učinkovitosti

Google je u svom blogu najavio korištenje strojnog učenja temeljenog na TensorFlowu, koji blokira neželjenu poštu da stigne do Gmaila.

Ova tehnologija može blokirati 99,9% neželjene pošte, što u fizičkom smislu znači da se svaki dan filtrira dodatnih 100 milijuna neželjenih poruka.

“Gdje smo pronašli ovih 100 milijuna dodatnih spam poruka? Sada blokiramo kategorije neželjene pošte koje je prije bilo vrlo teško otkriti. Korištenje TensorFlowa pomoglo nam je blokirati poruke sa slikama, poruke sa skrivenim ugrađenim sadržajem i poruke s novostvorenih domena koje pokušavaju sakriti neželjene poruke male količine među legitimnim prometom.

Uzimajući u obzir da smo već blokirali veliku većinu neželjene pošte na Gmailu, blokiranje milijuna s takvom preciznošću je uspjeh. TensorFlow nam pomaže uhvatiti pošiljatelje neželjene pošte koji se provuku kroz tih manje od 0,1% bez slučajnog blokiranja poruka koje su važne korisnicima.".

Google Lens je naučio prepoznati milijarde objekata

Google je rekao da njegov foto alat za umjetnu inteligenciju, Lens, sada može identificirati više od milijardu objekata.

Ovo je primjetno povećanje mogućnosti u usporedbi s prvom verzijom uslužnog programa, koji je u početku mogao identificirati oko 250 tisuća objekata. Alat je obučen na Google DeepMind sustavu.

Istodobno je milijardu artikala dobiveno od onih predstavljenih u Google Shoppingu. To znači da među njima ne možete pronaći stvari koje nisu na akciji. Kroz Lens se više ne mogu pronaći ni igraće konzole iz 90-ih ili prva izdanja starih knjiga. Međutim, među modernim proizvodima bit će lako pronaći mjesto.

Google koristi AI za predviđanje kašnjenja letova

Informacije o kašnjenju letova vrlo su korisne, no najave kašnjenja često ovise o zrakoplovnom prijevozniku koji nije uvijek zainteresiran za brzo ažuriranje informacija. Sada će Google pomoći u tome.

Tvrtka je ažurirala svoju uslugu letova, u kojoj ne samo da je počela prijavljivati ​​moguća kašnjenja letova, već i procijeniti vjerojatnost. Kako bi to učinio, sustav strojnog učenja koristi povijesne podatke za predviđanje kašnjenja i ističe letove ako postoji više od 80% šanse za kašnjenje. Google pritom napominje da ipak ne smijete kasniti na avion, jer čak ni 99% vjerojatnosti ne znači da avion neće letjeti po rasporedu. Ali takva vam prognoza može reći koliko ćete dodatnog vremena morati provesti u zračnoj luci.

Također, ažurirana Google usluga pomoći će vam uštedjeti na vašem letu. Za sada radi za 3 zrakoplovne kompanije: American, Delta i United. Zahvaljujući novim značajkama, možete procijeniti troškove dodatnih usluga u niskobudžetnim tarifama, kao što je povećana ručna prtljaga ili višak prtljage, te usporediti te troškove s cijenom redovnih karata.

Vidite li morsku kravu na fotografiji?

Google koristi umjetnu inteligenciju ne samo za poboljšanje svojih usluga, već i za pomoć ekolozima i znanstvenicima, čime još jednom potvrđuje svoju titulu "dobre korporacije".

TensorFlow neuronska mreža otvorenog koda postala je srce projekta koji pomaže u očuvanju populacije morskih krava ili morskih krava.

Unatoč njihovoj impresivnoj veličini, biolozima može biti prilično teško pratiti njihovo kretanje. Kako bi to učinili, istraživači su dronovima izveli snimanje oceana iz zraka, ali pronalazak čak i tako velikih životinja vrlo je težak zadatak. Za osobu.

Evo jedne takve fotografije snimljene dronom:

Vidite li morsku kravu na njoj?

Pomaknite se prema dolje za odgovor.

Koristeći Googleov open-source softver TensorFlow, istraživačica Amanda Hodgson sa Sveučilišta Murdoch i njezin tim stvorili su detektor koji pronalazi morske krave na fotografijama. Rane verzije detektora uspjele su pronaći 80% ovih životinja na fotografiji iz zraka koju je snimio dron. Istraživači se nadaju da će u budućnosti AI poboljšati svoj rad.

Znanstvenici također vjeruju da se umjetna inteligencija može prilagoditi za traženje drugih velikih sisavaca, poput grbavih kitova, pa čak i dupina.

Googleova umjetna inteligencija pobjeđuje Bing i Siri na IQ testu

Tri istraživača, Feng Liu, Yong Shi i Ying Liu, razvili su IQ test s ciljem testiranja različitih sustava umjetne inteligencije.

Prema njihovim rezultatima, najpametnijim se pokazao Googleov AI koji je osvojio 47,8 bodova. Usporedbe radi, rezultat 18-godišnjaka je 96 bodova, a rezultat šestogodišnjaka 55,5.

Googleovi glavni konkurenti za njim su prilično zaostali. Tako su Bing i Baidu osvojili 31,98 odnosno 32,92 boda. Najgore je prošao Appleov Siri, s ocjenom 23,9.

Istraživači su primijetili da, iako najbolja umjetna inteligencija ne doseže ni šestogodišnje dijete, oni brzo smanjuju jaz. U 2014. Google i Baidu AI osvojili su 26,5 odnosno 23,5 bodova. To znači povećanje inteligencije od 80% u samo dvije godine (za Google), tako da brige Elona Muska da će nas porobiti našim vlastitim računalima možda nisu sasvim neutemeljene.

Studija također dijeli umjetnu inteligenciju na gradacije i vrste ovisno o smjeru korištenja. Uz potpuno istraživanje moguće je pogledajte ovaj link.

Google je govorio o drugoj generaciji TPU-a

Tijekom Google I/O konferencije organizatori su demonstrirali drugu generaciju Tensor Processing Unit (TPU) koja se koristi u tvrtkinoj umjetnoj inteligenciji.

Novi model procesor se može koristiti i za obuku i za traženje odnosa. A sustav od četiri nova Cloud TPU-a obećava performanse sustava strojnog učenja od 180 teraflopa. Po prema Googleu, ovaj je čip znatno produktivniji od rješenja temeljenih na GPU-u, stoga tvrtka planira ponuditi Cloud platformu komercijalnim programerima.

Što se tiče izvedbe, Google je objasnio da obuka modela prevođenja velikog jezika traje cijeli dan na 32 vrhunska GPU-a. Isti rad traje 6 sati na jednoj osmini klastera, odnosno na 8 TPU-a.

Google je predstavio prvu generaciju TPU-a 2015. Ti se procesori koriste u širokom rasponu tvrtkinih usluga u oblaku, uključujući pretraživanje, prijevod i Google fotografije.

Google TPU obrađuje podatke 15 puta brže od konvencionalnih komponenti

Prije dvije godine Google je stvorio vlastiti integrirani sklop pod nazivom Tensor Processing Unit, koji je dizajniran za fazu računanja zadataka strojnog učenja.

Tvrtka je prvotno rekla da bi TPU trebao poboljšati performanse po vatu na tipičnim zadacima do 10 puta u odnosu na tradicionalne CPU-e i GPU-e. A sada, nakon stečenog operativnog iskustva, tvrtka je provela studiju o utjecaju performansi čipova ove vrste.

Pokazalo se da je deseterostruko povećanje energetske učinkovitosti preskromno. U stvari, performanse su povećane od 30 do 80 puta u odnosu na konvencionalna rješenja i ovisno o scenariju. Što se tiče izravnih performansi, Google kaže da je TPU 15 do 30 puta brži od standardnog hardvera.

Ovaj procesor pokreće prilagođeni softver temeljen na TensorFlow okviru za strojno učenje, a dio ovog ubrzanja nastaje zahvaljujući ovom okviru. Autori studije napominju da programeri još uvijek imaju prostora za optimizaciju.

Google je uočio potrebu za TPU prije 6 godina. Tvrtka koristi duboko učenje u raznim projektima, uključujući pretraživanje slika, fotografiju i prijevod. Po svojoj prirodi, strojno učenje je proces koji zahtijeva dosta resursa. Na primjer, Googleovi inženjeri primijetili su da kada bi ljudi koristili prepoznavanje govora 3 minute dnevno, a ono se izvodilo bez TPU-a, tvrtka bi morala udvostručiti broj podatkovnih centara.

Google će omogućiti uvećanje holivudske slike

Koncept poboljšanja pikseliziranih slika poznajemo iz mnogih holivudskih filmova, ali, kao i uvijek, prava tehnologija daleko je od kina. Međutim, inženjeri Google Braina smislili su način kako znanstvenu fantastiku približiti stvarnosti.

Nova tehnologija koristi par neuronskih mreža koje obrađuju slike veličine 8x8 piksela kako bi rekreirale lice osobe skriveno iza njih. Naravno, neuronske mreže ne povećavaju sliku bez pikseliranja, već stvaraju novu koja bi mogla izgledati poput originala.

Kao što je gore spomenuto, dvije neuronske mreže uključene su u proces rekonstrukcije lica. Prvi preslikava sliku veličine 8 x 8 piksela u sliku sličnog izgleda s većom rezolucijom. Ova se slika koristi kao kostur za drugu mrežu, koja dodaje više detalja slici na temelju postojećih slika sa sličnim kartama piksela. Rezultirajuće slike dviju mreža zatim se kombiniraju kako bi se stvorila konačna slika.

Naravno, rekreirana slika daleko je od stvarnosti, pa je ova tehnologija beskorisna za obavještajne službe, ali je korisna pri obradi slika ako je potrebno ekstremno povećanje.

Google RAISR tehnologija smanjuje promet slika za četiri puta

Gotovo sve tarife mobilnih operatera zahtijevaju ograničenu potrošnju podataka, a Google je krenuo značajno smanjiti potrošnju razvojem tehnologije kompresije slike RAISR - Rapid and Accurate Image Super-Resolution (brza i točna slika super rezolucije).

U biti, ova tehnologija nije tradicionalna metoda kompresije, više je poput umjetničke forme koju izvodi sustav strojnog učenja. Stoga RAISR povećava sličice slika dobivenih u nižoj razlučivosti pomoću posebnih algoritama strojnog učenja. U konačnici, umjetna inteligencija obnavlja detalje koji nedostaju, vraćajući sliku u izvorni izgled. Kao rezultat toga, promet prijenosa slike može se smanjiti za 75% u usporedbi s originalom, uz zadržavanje većine vidljivih detalja.

Do sada Google nudi ovu tehnologiju samo za uslugu Google+ i samo za slike objavljene na usluzi. "U nadolazećim tjednima," tvrtka će proširiti opseg tehnologije na svoje druge usluge.

Nejasno je hoće li Google koristiti ovu tehnologiju samo za svoje vlastite usluge ili će je raširiti kao Brotli, ali bismo je svakako voljeli vidjeti kako pokreće stranice bogate slikama poput društvenih mreža i internetskih trgovina.

Googleova umjetna inteligencija izumila je vlastiti jezik

Nema mjesta panici, ali Googleova umjetna inteligencija slučajno je (ili ne tako) stvorila vlastiti tajni jezik. A ovaj jezik izumio je Neural Machine Translation (NMT) neovisno, bez ljudske intervencije.

Google je u rujnu predstavio novi mehanizam za neuronsko prevođenje, a predstavljen je nedavno. Novi sustav omogućuje prevođenje cijelih rečenica bez dijeljenja na dijelove i boljeg prenošenja značenja. NMT sustav je samoučeći, što znači da se poboljšava tijekom rada.

Sustav je prvo korišten za poboljšanje prijevoda s engleskog na korejski i obrnuto, a zatim s engleskog na japanski i obrnuto. Inženjere je zanimalo može li stroj prevesti tekst s korejskog na japanski bez engleskog između. Ispostavilo se da je odgovor "da", stroj je izravno preveo tekst.

Malo je nejasno kako je Google AI to postigao. Ispostavilo se da je NMT stvorio svoje unutarnji jezik"interlingua". Bavi se pojmovima i rečeničnim strukturama, a ne ekvivalentnim riječima. Kao rezultat toga, NMT proizvodi točnije prijevode nego prije. Tvorci neuronskog strojnog prevoditelja nisu sigurni u principe rada neuronske mreže i ne mogu reći kako se podučava izravno prevođenje između jezika. Drugim riječima, Googleova umjetna inteligencija stvorila je vlastiti jezik koji mi ljudi ne možemo u potpunosti razumjeti.

Google prevoditelj upravo je postao pametniji

Google tvrdi da je strojno prevođenje uspio učiniti prirodnijim tako što ga je ponudio za pametne telefone i web aplikacije.

Pretraživački div primijetio je da sada koristi "neuralno strojno prevođenje", što mu omogućuje prevođenje cijele rečenice umjesto da je dijeli na dijelove i zatim dalje prevodi. Kao rezultat toga, rezultirajući tekst ispada prirodniji, ima bolja sintaksa i gramatika.

“U jednoj promjeni postignuto je više poboljšanja nego u 10 godina.”, rekao je voditelj proizvoda Google Translate Barak Turowski.

Uz engleski, novi sustav prevođenja dostupan je za još osam od 103 jezika koje sustav podržava. Dakle, "neuralni" prijevod podržava francuski, njemački, španjolski, portugalski, kineski, japanski, korejski i turski. Tvrtka je primijetila da ti jezici čine 35% svih prijevoda koje obavlja usluga. Prema Turovskom, ova metoda može smanjiti pogreške za 55% do 85%.

Google je naučio odgovoriti na teška pitanja

Uz razvoj inteligentnih sustava u Microsoftu i Appleu, Google pomoćnik također pokazuje prodor. Tako je tvrtka na svom blogu izvijestila da je Googleova aplikacija sada postala mnogo pametnija budući da sada razumije i odgovara na složena pitanja s kojima prije nije mogla.

Google sada može razumjeti značenje iza pitanja i razumjeti svrhu postavljenog pitanja.

Na primjer, virtualni asistent sada razumije:

• Usporedni stupanj (najviši, najveći itd.);
• Naručeni upiti (Tko je najviši igrač Mavericka?);
• Temporary Connections (Koju je pjesmu Taylor Swift snimila 2014.?);
• Složene kombinacije (Kolika je bila populacija SAD-a kad je rođen Bernie Sanders?).

Ako na svom pametnom telefonu ili tabletu imate odgovarajuću Googleovu aplikaciju, tada joj već možete postavljati slična složena pitanja. Naravno, traženje informacija na pametnom telefonu nije baš zgodno, ali ako sada s njim možete razgovarati kao s osobom, zašto ga onda ne koristiti češće.

Google otvara izvorni kod za sustav strojnog učenja

Privući što više veći broj programera i ubrzao razvoj tehnologije, Google je odlučio otvoriti izvorni kod motora za umjetnu inteligenciju poznat kao TensorFlow.

Tvrtka već neko vrijeme radi na ovom projektu, a sustav je uspio uroditi plodom, primjerice, u Google Photos, omogućujući prepoznavanje ljudi i mjesta na fotografijama. Tehnologija također radi u klijentu e-pošte Inbox, koji skenira poštu kako bi olakšao pripremu odgovora.

Izvršni direktor Googlea Sundar Pichai napisao je na svom blogu: “Prije samo nekoliko godina niste mogli upravljati Google aplikacijom na bučnoj ulici, ili čitati znakove na ruskom koristeći Google Translate, ili odmah pronaći slike svog Labradoodlea u Google Photos. Naše aplikacije nisu bile dovoljno pametne. Ali u kratkom vremenu postali su puno, puno pametniji. Sada, zahvaljujući strojnom učenju, sve te stvari možete raditi vrlo lako.".

Ravnatelj je napomenuo da sustav “TensorFlow je brži, pametniji i fleksibilniji od našeg starog sustava, tako da se može mnogo lakše i bogatije prilagoditi novim proizvodima. Danas također otvaramo TensorFlow. Nadamo se da će ovo omogućiti zajednici strojnog učenja, svima, od akademika preko inženjera do hobista, da mnogo brže dijele ideje kroz radni kod umjesto da samo proučavaju dokumente.".

Google je poboljšao prepoznavanje govora

Od svih velikih tvrtki s omogućenim glasom, Google se izdvaja. Za razliku od Appleove Siri i Microsoftove Cortane, Google ne personalizira svog glasovnog asistenta. Osim toga, Google ima najbolji algoritam za prepoznavanje, koji je sada dobio dodatna poboljšanja.

U nedavnom postu na Googleovom istraživačkom blogu, predstavnik tima za istraživanje govora raspravljao je o nedavnim promjenama algoritma za prepoznavanje. Tvrtka već koristi duboku neuronsku mrežu, istu onu koja proizvodi čudne slike sa "snovima" umjetne inteligencije, kako bi razumjela što točno pokušavate reći svom telefonu upravo sada. Sada je tvrtka razvila i počela koristiti rekurzivnu neuronsku mrežu. Novi algoritam modeliranje govora omogućuje im da uzmu u obzir vremenske ovisnosti, što im, kako kažu, omogućuje bolju analizu svakog audio zapisa pozivajući se na dolazne zvukove.

Kao rezultat toga, korisnici će iskusiti brže i preciznije prepoznavanje govora. Tvrtka također tvrdi da je novi algoritam otporniji na prepoznavanje u bučnim okruženjima. Novi algoritam za prepoznavanje govora već je pokrenut za aplikacije za pretraživanje na iOS-u i Androidu, kao i za glasovno tipkanje.

Google razvija algoritam za izračunavanje kalorija iz fotografija

Google je prijavio patent za tehnologiju Im2Calories koja analizira fotografiju hrane i procjenjuje približan broj kalorija u toj hrani.

Tehnologija Im2Calories temelji se na nizu algoritama umjetne inteligencije, a alat za analizu fotografija neće, naravno, baš precizno procijeniti približan broj kalorija u hrani na snimljenoj fotografiji.

Ovaj projekt je još uvijek u razvoju, a njegov nastup se očekuje tek za nekoliko godina. Vjerojatno će Im2Calories u budućnosti biti predstavljen u obliku aplikacija za Android i iOS.

Još jedno zanimljivo mjesto za korištenje algoritma bit će resursi Twittera i Instagrama, jer tu ljudi najčešće objavljuju fotografije svoje hrane. Korištenje proizvoda u vlastitu mrežu Google+ je malo vjerojatan jer pretraživački div nije zainteresiran za podršku platformi.

Sada možete pronaći slične aplikacije za obje popularne mobilne platforme, ali nema sumnje da će Google uspjeti napraviti bolji proizvod, zahvaljujući izvrsnim sustavima umjetne inteligencije koje tvrtka razvija.

Inteligentno računalo je onoliko dobro zaokruženo koliko i ljudi koji ga podučavaju.

Robert Ito

Za prošlost tri ljeta, dvadesetak budućih računalnih znanstvenika došlo je na Sveučilište Stanford kako bi učili o umjetnoj inteligenciji od nekih od najpametnijih na tom području. Sudionici, odabrani među stotinama prijavljenih, odlaze na jednodnevne izlete u obližnje tehnološke tvrtke, komuniciraju s društvenim robotima i heksakopterima i uče o računalnoj lingvistici (što rade strojevi kada riječi imaju više značenja, recimo) i važnosti upravljanja vremenom (vrlo) . Igraju frizbi. Ali ako je vaša mentalna slika umjetne inteligencije hrpa tipova koji stvaraju lukavije neprijatelje za svoje omiljene videoigre, dobro, to nije to. Sve učenice ovdje na programu Outreach Summer (SAILORS) Laboratorija za umjetnu inteligenciju Stanforda su djevojke koje su upravo završile deveti razred, a njihove studije usmjerene su na pronalaženje načina za poboljšanje života, a ne na poboljšanje njihove igre: Kako možemo koristiti AI da zadržimo jumbo mlaznice od udaranja jedna u drugu? Osigurati da liječnici operu ruke prije nego što odu u operacijsku salu? “Naš je cilj bio ponovno promisliti o obrazovanju umjetne inteligencije na način koji potiče raznolikost i studente iz svih sfera života”, kaže Fei-Fei Li, direktor Stanfordovog laboratorija za umjetnu inteligenciju i osnivač programa SAILORS. "Kada imate raznolik raspon budućih tehnologa, njima je stvarno stalo da se tehnologija koristi za dobrobit čovječanstva."

"Kada imate raznolik raspon budućih tehnologa, njima je stvarno stalo da se tehnologija koristi za dobrobit čovječanstva."

Google i Stanford

SAILORS su 2015. stvorili Li i bivša studentica Olga Russakovsky (sada docentica na Sveučilištu Princeton) kako bi pomogli u većoj rodnoj ravnopravnosti u tehnološkoj industriji. Uzrok je i plemenit i hitan. Prema nedavnom istraživanju, broj žena koje traže diplome informatike opada; u sektoru umjetne inteligencije žene drže manje od 20 posto izvršnih pozicija. To je golemo polje koje treba izostaviti s obzirom na to da svakim danom sve više i više ljudi koristi umjetnu inteligenciju kako bi si učinili život lakšim i učinkovitijim: AI je način na koji aplikacije za fotografije prepoznaju vaše lice među ostalima, a da ne spominjemo plažu gdje ste slikali. Vaši vas uređaji tako razumiju kada pitate kakvo će vrijeme biti sutra. Tu su i manje poznate primjene, poput dijagnosticiranja dijabetičke retinopatije (koja često dovodi do sljepoće) ili slanja drona u misiju potrage i spašavanja u najudaljenije krajeve svijeta.

Budući da umjetna inteligencija postaje sveprisutnija, potreba za ravnotežom spolova na terenu nadilazi samo ispravnost uzroka – raznolikost je ključni dio umjetne inteligencije zbog prirode strojnog učenja. Cilj umjetne inteligencije je proizvesti strojeve za dovršavanje zadataka koje ljudi rade prirodno: prepoznavanje govora, donošenje odluka, razlikovanje burrita od enchilade. Da bi to učinili, strojevima se dostavljaju goleme količine informacija - često milijuni riječi, razgovora ili slika - baš kao što svi mi upijamo informacije, svakog trenutka budnosti, od rođenja (u biti, ovo je strojno učenje). Što više automobila stroj vidi, to je vještiji u njihovom identificiranju. Ali ako su ti skupovi podataka ograničeni ili pristrani (ako istraživači ne uključuju, recimo, slike trabanata), ili ako ljudi u umjetnoj inteligenciji ne vide ili ne uzimaju u obzir ta ograničenja ili pristranosti (možda nisu poznavatelji opskurnog istočnonjemački automobili), strojevi i izlaz bit će manjkavi. To se već događa. U jednom slučaju, softver za prepoznavanje slika identificirao je fotografije Azijaca kao treptanje.

“Ne radi se samo o transparentnosti podataka. Zapravo moramo učiniti da se brojke pomaknu u pravom smjeru.”

Projekt Uključi

Kako ljudi stvaraju inkluzivnije laboratorije i radne prostore? Brojni projekti i pojedinci prihvaćaju taj izazov. Ove godine, Li-koji je također glavni znanstvenik za umjetnu inteligenciju i strojno učenje u Google Cloudu-i drugi pomogli su u pokretanju AI4ALL. Nacionalna neprofitna organizacija ima za cilj unijeti veću raznolikost u AI i angažirala je stručnjake za genomiku, robotiku i održivost kao mentore. Nadovezuje se na rad SAILORS-a, ali također cilja na obojene ljude i studente s niskim primanjima diljem zemlje kroz partnerstva s Princetonom, UC Berkeleyem i Carnegie Mellonom, uz Stanford. "Imali smo puno kolega i čelnika industrije koji su nam dolazili i govorili: 'SAILORS je sjajan, ali to je samo Stanford koji godišnje opslužuje nekoliko desetaka studenata, uglavnom iz područja zaljeva'", kaže Li. “Dakle, AI4ALL je o raznolikosti i uključenosti. Nije samo spol."

AI i ML

Koja je razlika?

Pojmovi umjetna inteligencija (AI) i strojno učenje (ML) često se koriste kao sinonimi, ali to nije ista stvar. Umjetna inteligencija opisuje sposobnost strojeva da naizgled oponašaju ljudske načine razmišljanja, učeći kako oni idu umjesto da slijede određene naredbe. ML je jedna od najučinkovitijih i najpopularnijih tehnika koje računala koriste za postizanje te sposobnosti. U ML-u, strojevi prosejavaju primjere kako bi prepoznali uzorke.

Druge slične inicijative uključuju Code Next, Googleov pokušaj iz Oaklanda da potakne latinoameričke i afroameričke studente da istražuju karijere u tehnologiji; DIY Girls, obrazovni i mentorski STEAM (znanost, tehnologija, inženjerstvo, umjetnost i matematika) program za zajednice s nedostatkom sredstava u Los Angelesu; i Project Include, koji pomaže novim i srednjim startupima da zaposle više žena i obojenih ljudi. Tracy Chou, bivša Pinterest, osnovala je Project Include prošle godine sa sedam drugih istaknutih žena u tehnološkoj industriji. Godine 2013. Chou je slavno izjavio da tehnološke tvrtke trebaju priznati koliko žena zapošljavaju. Dok su brojke pristizale, potvrdile su ono što su svi u Silicijskoj dolini znali: svijet tehnologije, od najveće korporacije do najmanjeg startupa, pretežno je bijeli i muški. Projekt Include, kaže Chou, bio je logičan sljedeći korak. "Nakon nekoliko godina od objavljivanja ovih izvješća o podacima i nije bilo puno promjena, počelo je dolaziti do pomaka u razgovoru", kaže ona. “Sada se ne radi samo o transparentnosti podataka. Zapravo moramo učiniti da se brojke pomaknu u pravom smjeru.”

Taj smjer uključuje rad na području umjetne inteligencije koji postaje dostupniji masama. Relativno je malo ljudi zaposleno u umjetnoj inteligenciji, a već vidimo robote koji se brinu za ljude i osobne asistente koji predviđaju naše potrebe. Budući da ljudi kontroliraju podatke i kriterije, a strojevi obavljaju posao, bolji i veći ljudski doprinos znači bolje i bolje rezultate.

Na mnogo načina, demokratizacija umjetne inteligencije već je na putu. Uzmimo ovaj primjer: u Japanu je sin farmera upotrijebio umjetnu inteligenciju kako bi sortirao obiteljsku žetvu krastavaca prema različitim karakteristikama. To je vrsta priče koja se sviđa Li, koja je u SAD došla iz Kine sa 16 godina, znajući malo o svojoj usvojenoj zemlji, a još manje o New Jerseyju, gdje je završila. Nakon što je radila razne povremene poslove, od čišćenja kuća preko šetanja pasa do blagajnice u kineskom restoranu, Li se našla na Princetonu, a kasnije na poslijediplomskom studiju na Caltechu.

Li dolazi u svoj rad kao trostruki autsajder: imigrant, žena i obojena osoba u svijetu kojim dominiraju bijelci. Ono što je za bilo koga drugog moglo biti prepreka, za Lija je postalo poticaj. Velik dio svog vremena provodi proučavajući računalni vid, komponentu strojnog učenja koju naziva "ubojitom aplikacijom umjetne inteligencije". Računalni vid analizira i identificira vizualne podatke i možda će jednog dana pomoći u stvaranju osjetljivijih robotskih udova, recimo, ili riješiti najzamršenije matematičke dokaze. Ali kao i kod svake umjetne inteligencije, ključ ove tehnologije je učenje strojeva da raspakiraju mnoštvo informacija s različitih mjesta i perspektiva. Biti, u biti, vizualni građani svijeta - poput Lija.

Poticanje raznolike skupine kreatora da oblikuju taj svijet bitno je za vrste priča i tehničkih problema s kojima se strateginja sadržaja Diana Williams susreće svaki dan u ILMxLAB-u, supertajnom Lucasfilmovom centru snova u kojem programeri stvaraju impresivnu, interaktivnu zabavu - VR susret s Darth Vader, možda inspiriran golemim svemirom Ratova zvijezda. Williams je duboko uključena u pro-tech organizacije poput Black Girls Code i sjeća se nedostatka obojenih žena na svom koledžu 80-ih. “Uvijek sam bila jedina na satu matematike, jedina na satu biznisa”, kaže ona. "To postaje zamorno i postaje zastrašujuće." Njezino rješenje za usmjeravanje više žena prema tehnici: "Pokreni ih mlade i ojačaj im samopouzdanje, tako da se ne okreću kad uđu u sobu i one su jedine tamo."

Maya Gupta, istraživačica strojnog učenja u Googleu, radi na poboljšanju umjetne inteligencije, iako iz drugog kuta. Na Stanfordu je pomogla norveškoj tvrtki otkriti pukotine u podvodnim plinovodima. "Tamo se ne može dobro ući, pa smo morali upotrijebiti djelomične informacije da pokušamo pogoditi", kaže ona. Naučiti strojeve da nijansirano pogađaju Gupti je poznat teren. Ako ste na YouTubeu i slušate “Truth” tenor saksofonista Kamasija Washingtona i glazba bez napora prelazi u prekrasnu “Turiya and Ramakrishna” Alice Coltrane, poput djela najpametnijeg DJ-a kojeg nikad niste upoznali, zahvalite Gupti, čiji tim pomaže računalima u finom- uskladiti svoje preporuke. "Sve je u predviđanju, zar ne?" ona kaže. "Pokušavate pogoditi što se događa s ograničenim podacima."

Danas vodi tim za istraživanje i razvoj u Googleu kako bi, između ostalog, stvorio veću točnost u strojnom učenju. "Recimo da želim biti jednako točna u prepoznavanju bostonskog i teksaškog naglaska, ali imam uređaj za prepoznavanje govora koji je malo bolji od teksaškog", kaže ona. “Trebam li kazniti ljude s teksaškim naglaskom tako što ću to priznanje učiniti jednako lošim kao što je za Boston, da budem pošten? A što ako je jednostavno teže prepoznati ljude koji govore bostonskim naglaskom?”

Gupta i njezin tim također usavršavaju sustave koji bi bili beskrajno transparentniji od njihovih dizajnera koji se temelje na ugljiku. Sa strojevima, nadamo se, možemo eliminirati mnoge predrasude ili podsvjesne procese koji muče ljudsku misao - ili ih barem lakše prepoznati kada se pojave. Strojevi ne gube fokus kada su umorni, razdražljivi ili gladni. Studija je pokazala da su suci manje skloni odobriti uvjetni otpust neposredno prije ručka, kada misle na sendviče, a ne na bočne pločice. "Teško je izmjeriti što se stvarno događa u glavama ljudi", kaže Gupta. "Želimo da naši sustavi strojnog učenja budu objašnjivi, a iskreno govoreći, mnogi od njih već su objašnjiviji od ljudi."

"Želimo da naši sustavi strojnog učenja budu objašnjivi, a iskreno, mnogi od njih već su objašnjiviji od ljudi."

Kako AI postaje sve korisniji - da ne spominjemo lakši za korištenje - sve se više pokušava staviti u ruke što je više moguće. Christine Robson, IBM-ova istraživačica prije dolaska u Google, entuzijastična je zagovornica softvera otvorenog koda kao što je TensorFlow, sustav strojnog učenja koji se može koristiti za niz zadataka, od prevođenja jezika do uočavanja bolesti do stvaranja originalne umjetnosti.

Za Robson, uključenost u umjetnu inteligenciju znači učiniti svoje alate dostupnima više od samozvanih matematičkih štrebera poput nje same. "Uzbuđena sam zbog dostupnosti strojnog učenja svijetu", kaže ona. “Puno govorimo o demokratizaciji strojnog učenja, ali ja jako vjerujem u to. Učiniti ove alate stvarno jednostavnima za korištenje i učiniti te tehnike mogućima za primjenu od strane svih, vrlo je važno.”

Sci-fi književnost i film dugo su nudili primjere AI koji su pošli po zlu (Mary Shelley Frankenstein sljedeće godine navršava 200 godina). Danas su mnogi u industriji — uključujući Lija, Robsona i Choua — zabrinuti manje o tome što bi nam umjetna inteligencija mogla učiniti, a više o tome što bismo mi ljudi mogli učiniti umjetnoj inteligenciji. Primjer: programeri virtualnim asistentima daju ženski glas jer, pa, muškarci i žene podjednako preferiraju jedan. "Ali održava ideju da su asistenti žene, pa kada se uključimo u te sustave, to pojačava tu društvenu pristranost", kaže Chou. Mnogi od najboljih umova na ovom području brinu se o tome što će se dogoditi sa sustavima umjetne inteligencije u stvarnom životu - a time i što će se pojaviti. Tu dolazi do izražaja poticaj za veću raznolikost u umjetnoj inteligenciji. Malo će od ovoga biti lako. Ali njegovi zagovornici su pametni, domišljati i predani cilju.

"Učiniti ove AI alate stvarno jednostavnima za korištenje i omogućiti da se te tehnike mogu primijeniti svima, vrlo je važno."

Moramo se pobrinuti da se svi osjećaju dobrodošli, kaže Gupta. Prisjeća se zida s fotografijama umirovljenih profesora elektrotehnike na njezinoj alma mater Rice koji "nisu sličili meni." Moramo uvjeriti djevojke da umjetna inteligencija nije magija, dodaje Robson. "To je matematika."

Na SAILORS-u studenti uče kako koristiti obradu prirodnog jezika za pretraživanje društvenih medija i pomoć u pružanju pomoći u katastrofama. "To bi pomoglo spasiocima da otkriju ljude u potrebi u stvarnom vremenu, koristeći njihove poruke na Twitteru", kaže Li. Učinci predavanja i projekata traju i nakon nezaboravnih ljeta. Neki od učenika pokrenuli su vlastite klubove robotike u školi, objavili radove u znanstvenim časopisima i održavali radionice u srednjim školama kako bi širili evanđelje umjetne inteligencije čak i mlađim djevojkama. Za ove studente, čija su pozadina i iskustva različiti kao i bezbrojni projekti kojima su se bavili u kampu, AI nije najnoviji cool gadget, već moćna sila za dobro. Uoči prvog okupljanja SAILORS-a 2015. godine, program je podijelio poruke dolazećih kampera, uključujući ovu ambicioznu želju: "Nadam se da ću sada započeti svoje AI putovanje kako bih mogao utjecati na svijet u budućnosti."

Robert Ito je pisac koji živi u Los Angelesu. Čest je suradnik na New York Times, Salon, i Los Angelesčasopis.

Google je otvorio novi istraživački centar u Zürichu, Google Research, koji će se fokusirati na strojnu inteligenciju. Sada je to jedno od najvećih istraživačkih središta vezanih uz razvoj umjetne inteligencije izvan Sjedinjenih Država. Njegovo otkriće povezano je s novom strategijom Googlea, koja uključuje aktivno uvođenje strojne inteligencije u usluge i aplikacije. Danas tvrtka koristi razvoj u ovom području u proizvodima kao što su Translate i Photos. A na konferenciji Google I/O 2016. predstavljeni su messenger i pametni kućni uređaj koji također koriste strojnu inteligenciju. Otvaranjem novog istraživačkog centra u Zürichu, Google planira napraviti značajan iskorak na ovom području. Mogli smo prisustvovati otvaranju ovog centra i saznati kako i zašto tvrtka razvija umjetnu inteligenciju.

Kako Google stvara umjetnu inteligenciju?

Istraživački centar koji se otvara u Zürichu usredotočit će se na razvoj u tri ključna područja za umjetnu inteligenciju: strojno učenje, strojna percepcija te obrada i razumijevanje prirodnog govora. Svi su oni potrebni za stvaranje nove generacije računala koja mogu učiti od ljudi i svijeta oko sebe.

Strojno učenje

Strojna ili umjetna inteligencija često se brka sa strojnim učenjem, a iako prva ne može postojati bez druge, one se temelje na malo drugačijim principima. Sam koncept “umjetne inteligencije” podrazumijeva stvaranje računala koje misli, dok je “strojno učenje” razvoj računala koja mogu učiti. "Programirati računalo da bude pametno može biti teže nego programirati računalo da nauči biti pametno", objašnjava razliku Greg Corrado, viši istraživač strojnog učenja u Googleu.

Svaki korisnik danas može iskusiti rad strojnog učenja. E-mail Gmail. Dok je spam filtar usluge prije slijedio stroga pravila s ključnim riječima, danas uči na primjerima. Kako filtrira poštu, postaje sve bolji i bolji. Ovo je jedan od najjednostavnijih primjera korištenja strojnog učenja, ali danas Google već stvara složenije samoučeće sustave.

U tu svrhu tvrtka koristi tri metode strojnog učenja:

1. Obuka pod mentorstvom- ovo je učenje na primjeru, na isti način na koji Gmail filtar neželjene pošte filtrira poštu, primajući sve više primjera neželjene pošte. Jedini problem s ovom metodom je što da bi bila učinkovita potrebno je imati velik broj gotovih primjera.

2. Učenje bez nadzora- ovo je grupiranje podataka, računalu se daju objekti bez opisa i ono pokušava pronaći unutarnje obrasce, ovisnosti i odnose među njima. Budući da su podaci inicijalno neoznačeni, nema signala greške ili nagrade za sustav i on ne zna ispravno rješenje.

3. Učenje s potkrepljenjem- ova metoda se odnosi na “nadzirano učenje”, ali ovdje se podaci ne unose jednostavno u računalo, već se koriste za rješavanje problema. Ako je odluka točna, tada sustav dobiva pozitivan odgovor, koji pamti, čime potvrđuje svoje znanje. Ako je rješenje netočno, računalo dobiva negativan odgovor i mora pronaći drugi način rješavanja problema.

Danas Google prvenstveno koristi nadzirano učenje za svoje usluge, međutim, tvrtka napominje da "učenje s potkrepljenjem" može imati još veći potencijal. Upravo je kombinacija ove dvije metode korištena za stvaranje umjetne inteligencije AlphaGo, koja je uspjela poraziti profesionalne Go igrače. Prvo je računalo pobijedilo europskog Go prvaka Fan Huija (2. dan) rezultatom 5-0, a zatim je igralo s Lee Sedolom, igračem 9. dana (najviši rang u Gou), i opet je konačni rezultat bio 4- 1 nije u korist osobe.

Zašto je pobjeda umjetne inteligencije u igri Go toliko važna za razvoj strojnog učenja? Činjenica je da je sama igra vrlo teška za računalo. Go koristi goban ploču s linijama 19x19 na koju jedan igrač stavlja crno kamenje, a drugi bijelo kamenje u pokušaju da zauzme što veći dio ploče. Za razliku od šaha, gdje svaka figura ima jasno definiran položaj i poteze, u igri Go igrači su ograničeni samo pločom. Stoga tijekom igre koriste ne samo znanje, već i intuiciju. Za računalo je dodatna složenost ogroman broj mogućih pozicija (10^170), a također mu je teško procijeniti tko pobjeđuje u igri.

Stoga su za AlphaGo razvijene dvije neuronske mreže. Prva se naziva "mreža vrijednosti", ona procjenjuje položaj kamenčića na polju brojevima od -1 do 1 kako bi odredila koji kamenčići vode: bijeli (-1) ili crni (1). Ako je pozicija uravnotežena i svaki igrač može pobijediti, vrijednost će biti blizu 0. Neuronska mreža skenira ploču i procjenjuje položaj kamenčića, nakon čega počinje shvaćati koliko su bijeli i crni kamenčići povoljni. Druga neuronska mreža nazvana je "mreža politike". Na temelju stručnih podataka o potezima u Gou, ona izrađuje kartu, određujući koji će potezi u ovoj poziciji biti najuspješniji.

Dakle, "mreža vrijednosti" AlphaGou omogućuje da razumije položaj kamenčića na ploči i odredi tko pobjeđuje, a "mreža pravila" algoritmu pretraživanja olakšava odabir moguće opcije kretati, jer ga ograničava ovisno o položaju kamenja.

Prije nego što nastavimo, važno je razumjeti što je "neuronska mreža"? Nažalost, danas ne postoji jedinstvena formalna definicija "umjetne neuronske mreže". Jednostavnim riječima, neuronska mreža je niz matematičkih modela koji su kreirani na principu rada bioloških neuronskih mreža. Umjetni neuroni (jednostavni procesori) međusobno se povezuju, primaju signal, obrađuju ga i šalju dalje sljedećem neuronu. Svaki neuron je jednostavna matematička funkcija, ali radeći zajedno mogu riješiti složene probleme.

Kako su neuronske mreže trenirane za AlphaGo?

“Počeli smo s podacima profesionalnih Go igrača. Budući da se partije većinom snimaju, imali smo dosta parova: pozicija plus potez kojim je postignuta. Jedna igra nam daje oko 300 takvih parova. Svaki potez u takvoj igri je profesionalan, jer ga izvodi stručnjak. Koristili smo "nadzirano učenje" kako bismo naučili neuronsku mrežu da predvidi kakav bi potez profesionalni igrač napravio na toj poziciji. Tako je stvorena “mreža politika”. Zatim smo dopustili neuronskoj mreži da igra protiv sebe, i s pozicije crnog i bijelog kamena. Učitali smo rezultate tih igara natrag u neuronsku mrežu. Ovo je već “reinforcement learning”, nije još toliko istraženo, ali vjerujemo da je to budućnost strojnog učenja. Nadalje, zahvaljujući neuronskoj mreži koja igra sama protiv sebe, dobili smo veliki volumen podaci o položaju kamenčića na ploči, kao i ishodi partija. Na temelju njih istrenirali smo “mrežu značenja” koja je naučila razumjeti u kojim pozicijama pobjeđuju crni kamenčići, a u kojim bijeli. Ocjenjivanje je vrlo važan parametar stvoriti program igre i strojno učenje općenito, jer vam je potreban način da odredite napredak u igrici,” kaže Thore Graepel, istraživač na Googleovom projektu DeepMind, koji je razvio AlphaGo.

Iako je AlphaGo pobijedio profesionalne Go igrače i lako pobjeđuje druge umjetne inteligencije razvijene za igru, ovo nije jedino izvanredno postignuće sustava. U drugoj partiji s Lee Sedolom, AlphaGo je napravio vrlo neobičan potez 37 na liniji 5, koji se u početku nije činio uspješnim, ali je potom dopustio računalu da preuzme ovaj dio ploče. Činjenica je da stručne informacije koje su učitane u AlphaGo nisu sadržavale takve poteze, te se može smatrati da je to bila jedna od prvih manifestacija kreativnosti u izvođenju računala.

Google danas koristi softversku biblioteku otvorenog koda TensorFlow za strojno učenje. To je API druge generacije koji radi za istraživanje kao i Googleove komercijalne proizvode koji koriste strojno učenje, uključujući pretraživanje, prepoznavanje govora, Gmail i fotografije.

Strojna percepcija

Drugo važno područje za razvoj umjetne inteligencije je percepcija strojeva. Iako su računala u proteklom desetljeću napravila veliki napredak u prepoznavanju zvukova, glazbe i rukom pisanog teksta, još uvijek imaju problema s prepoznavanjem slika i videa. Ljudski vidni sustav lako prepoznaje slike; u svakoj moždanoj hemisferi našeg mozga nalazi se primarni vidni korteks (vidno područje V1), koji sadrži 140 milijuna neurona s desecima milijardi veza između njih. Pa ipak, ljudski mozak dodatno koristi ekstrastrijatni vidni korteks (područja V2, V3, V4 i V5) za prepoznavanje slike. Stoga nam nije veliki problem vidjeti sivu mačku kako leži na sivom tepihu. Ali ovo je vrlo težak zadatak za računalo.

Ranije je Google katalogizirao fotografije prema opisu, korisnik je trebao slikama dodati oznake kako bi se kasnije mogle grupirati ili pronaći. Danas Google Photos koristi naprednije prepoznavanje slika temeljeno na "konvolucijskoj neuronskoj mreži". Ova arhitektura, koju je razvio znanstvenik Yann LeCun, ima jedan od najboljih algoritama za prepoznavanje slike. Ne ulazeći u detalje, to je višeslojna struktura umjetnih neurona, od kojih svaki sloj kao ulaz uzima samo mali dio ulazne slike. Uz pomoć projekta Deep Dream danas svatko može točno procijeniti kako konvolucijska neuronska mreža vidi slike.

Google koristi javne baze podataka slika za treniranje svoje neuronske mreže. Na primjer, 2012. Google je naučio neuronsku mrežu da prepoznaje slike mačaka koristeći 10 milijuna okvira mačaka iz YouTube videa.

Obrada i razumijevanje prirodnog govora

Kako bi računalo razumjelo ne samo glasovne naredbe, već i prirodni govor, Google koristi rekurentne neuronske mreže.

Tradicionalno prepoznavanje govora dijeli zvukove u male dijelove od 10 milisekundi zvuka. Svaki takav fragment analizira se na frekvencijski sadržaj, a rezultirajući vektor karakteristika prolazi kroz akustički model, koji daje distribuciju vjerojatnosti za sve zvukove. Zatim, u kombinaciji s drugim karakteristikama govora, kroz model izgovora, sustav povezuje slijed glasova ispravnih riječi u jeziku i u modelu, određujući kolika je vjerojatnost dane riječi u jeziku koji se koristi. Konačno, jezični model analizira dobivene riječi i cijelu frazu, pokušavajući procijeniti je li takav niz riječi moguć u ovom jeziku. Ali za neke riječi u fonetskom zapisu teško je odrediti gdje jedno slovo završava, a drugo počinje, a to je vrlo važno za ispravno prepoznavanje.

Google sada koristi akustični model temeljen na rekurentnoj neuronskoj mreži s arhitekturom "dugotrajnog pamćenja". Jednostavnim riječima, ova neuronska mreža je bolja od ostalih u pamćenju informacija, što ju je omogućilo istrenirati da prepozna foneme u frazi, a to je značajno poboljšalo kvalitetu sustava prepoznavanja. Stoga danas prepoznavanje glasa na Androidu radi gotovo u stvarnom vremenu.

Umjetna inteligencija: pomagač ili prijetnja?

Etička strana korištenja umjetne inteligencije uvijek je na dnevnom redu, priznaje Google. Međutim, tvrtka još ne vjeruje da smo dovoljno blizu stvaranju računala koja su samosvjesna da bismo detaljno raspravljali o ovom problemu. “Računala sporo uče”, kaže Greg Corrado. Google za sada može izgraditi umjetnu inteligenciju koja je dobra u jednom zadatku, kao što je igra Go, poput AlphaGo. Ali za potpunu umjetnu inteligenciju bit će potrebna višestruko veća računalna snaga. Danas vidimo da performanse procesora usporavaju, skoro smo dosegnuli granicu “Mooreovog zakona”, a iako je to dijelom kompenzirano povećanjem performansi video kartica i pojavom specijaliziranih procesora, to još uvijek nije dovoljno. Osim toga, još jedna prepreka je nedostatak dovoljne količine stručnih informacija koje bi se mogle koristiti za strojno učenje. Sve te, i ne samo, probleme čovječanstvo može riješiti u roku od 20, 50 ili 100 godina, a možda i nikada neće riješiti, nitko ne može dati točnu prognozu. Sukladno tome, umjetna inteligencija koju vidimo u filmovima vjerojatno će se jako razlikovati od onoga što ćemo u konačnici dobiti.

Majstor za sve i budućnost Google pretraživanja

Google si trenutno postavlja realniji cilj – stvoriti virtualne asistente temeljene na umjetnoj inteligenciji. Danas već ima takvih virtualni pomoćnici poput Siri ili Google Now, ali su vrlo ograničeni i odvojeni od stvarnosti u kojoj se korisnik nalazi. Što Google želi učiniti? Tvrtka vjeruje da virtualni asistent mora razumjeti svijet oko sebe, položaj korisnika u ovom svijetu, a također se oslanjati na trenutni kontekst u komunikaciji.

“Zamislite da imate nevjerojatno pametni pomoćnik, a ti mu reci: prouči ovo područje i reci mi što misliš. To je ono što pokušavamo stvoriti. U mom slučaju, želio bih reći svom pomoćniku: pokaži mi najzanimljivije i najrelevantnije stvari koje još ne znam”, kaže Eric Schmidt, predsjednik upravnog odbora Alphabeta, koji je vlasnik Googlea.

Stoga Google vidi umjetnu inteligenciju kao novi alat koji može proširiti ljudske sposobnosti pružajući mu nova znanja. Dobar primjer za to je AlphaGo, koji Go igrači vide kao priliku za poboljšanje svoje razine. Uostalom, ako trenirate protiv umjetne inteligencije koja već premašuje maksimalni rang u igri, onda to može podići na novu razinu.

Umjetna inteligencija odavno je čvrsto uspostavljen u našim životima. Najčešće čak i ne razmišljamo o ovom problemu kada obično koristimo glasovnog asistenta u pametnom telefonu ili automatsko prepoznavanje slike u programu. Čak ni Google pretraživanje nije potpuno bez strojnog učenja, grane umjetne inteligencije.

Već otprilike dvije godine radi tehnologija RankBrain koja služi za pametno sortiranje rezultata pretraživanja. Oko 15% dnevnih upita novo je za Google, što znači da ih nijedan korisnik prije nije formulirao.

“Naša umjetna inteligencija radi bez ljudskih naredbi”

Profesor David Silver, glavni programer za umjetnu inteligenciju
Google AlphaGo Zero

RankBrain algoritmi traže postojeće oblike u nepoznatim upite za pretraživanje te ih povezati sa semantički sličnim pojmovima. U konačnici, tražilica mora sama učiti i biti sposobna dati odgovarajuće odgovore na pitanja koja prije nisu bila postavljena.

Google u svojim podatkovnim centrima koristi tenzorske procesore (TPU) posebno dizajnirane za tu svrhu.

Jedinice za obradu tenzora (TPU)

Googleov napredak u području umjetne inteligencije je impresivan. Jedan od razloga je taj što je Google razvio poseban hardver koji ubrzava neuronske mreže puno učinkovitije od standardnih CPU-a i GPU-a. Nevjerojatno, tenzorski procesori djelomično koriste obične PC komponente. Nalaze se na jednoj plug-in SATA ploči i komuniciraju putem PCI Expressa s drugim tensor procesorima.

Struktura procesora tenzora

Brzo zbrajanje i množenje je snaga tenzorskog procesora. U modulu zaduženom za to, s matricom kao središnjom komponentom, izvode se izračuni neuronske mreže. Zauzima oko četvrtinu površine procesora. Preostali prostor koristi se za brzo unos podataka. Oni se isporučuju putem PCI Expressa i DDR3 RAM-a. Rezultati izračuna se vraćaju na poslužitelj putem PCI Expressa i glavnog sučelja.

Nadljudska inteligencija

Procesori su dobili ime po biblioteci softvera TensorFlow. Glavna svrha TPU-a je ubrzati algoritme umjetne inteligencije koji se oslanjaju na knjižnice besplatnog softvera.

TPU-ovi su u početku stekli popularnost kao hardverska platforma za AlphaGo, umjetnu inteligenciju koja je pobijedila najbolje svjetske igrače u azijskoj igri Go. Za razliku od šaha, razvoj softvera za Go na profesionalnoj razini godinama se smatrao nemogućim.

Naknadni razvoj, AlphaGo Zero, mogao je samostalno naučiti igru ​​na temelju pravila koja su mu dana. U tri dana dostigao je profesionalnu razinu, u tri tjedna sustigao prethodnu verziju AlphaGo-a čije je osposobljavanje koštalo ogroman trud i milijune profesionalnih igara. Ispostavilo se da je umjetna inteligencija prije ograničavala proučavanje ljudskih pokreta. Nakon još šest tjedana, AlphaGo Zero više nije bio nepobjediv.

Akcelerator za neuronske mreže

U usporedbi s konvencionalnim procesorima, tenzorski procesori specijalizirani su za korištenje umjetnih neuronskih mreža. Sastoje se od mnogih umreženih matematičkih funkcija koje oponašaju ljudski mozak s njegovim živčanim stanicama i njihovim vezama. Kao i naš mozak, neuronska mreža zahtijeva odgovarajući unos. Obuka se odvija, na primjer, u prepoznavanju govora, prepoznavanju slika ili pravilima igre „Idi“.

Umjetna neuronska mreža uključuje nekoliko slojeva neurona. Svaki neuron koristi ponderirani zbroj izlaznih vrijednosti povezanih neurona u prethodnom sloju. Točna usporedna analiza ključ je uspjeha u strojnom učenju, ali mora se prvo napraviti, što u praksi često znači više operacija s pomičnim zarezom.

U ovoj disciplini GPU su zapravo najbolji izbor. Za sortiranje rezultata pretraživanja ili predviđanje poteza, neuronska mreža više ne treba visoko precizne izračune s pomičnim zarezom. Ovaj proces zahtijeva vrlo velik broj operacija cjelobrojnog množenja i zbrajanja.

Tenzorski procesori u Google Compute Centeru

Google koristi TPU u svojim podatkovnim centrima od 2016. Ploča obično ima nekoliko procesora u jednom klasteru. Uglavnom se koriste u blokovima od četiri.

Googleov tenzorski procesor prvenstveno se sastoji od računske jedinice, matrice od 256x256 jedinica. Radi s osam-bitnim cijelim brojevima, postiže snagu obrade od 92 trilijuna operacija u sekundi i pohranjuje rezultate u memoriju.

Dijagram pokazuje da matrica zauzima samo oko četvrtine površine procesora. Preostale komponente odgovorne su za stalno pružanje novih podataka jezgri. Tensor procesori ne izdaju naredbe sami sebi - one dolaze s povezanog poslužitelja putem PCI Expressa. Konačni rezultati također se prenose kao odgovor na isti način.

Referentne vrijednosti potrebne za izračune neuronske mreže osigurava memorijski modul First-In/First-Out. Budući da postoje male promjene za određenu aplikaciju, dovoljno je povezivanje putem DDR3 RAM-a. Međurezultati se smještaju u međuspremnik od 24 MB i vraćaju u računalnu jedinicu.

Potrošnja energije u usporedbi

Usporedba performansi procesora po vatu potrošene električne energije pokazuje veću učinkovitost tensor procesora.

CPU i GPU utrke

Tensor procesori računaju brzinom od 225 000 predviđanja neuronske mreže u sekundi. CPU i GPU se ne mogu natjecati.

45 puta brži od konvencionalnog procesora

Iako CISC (Complex Instruction Set Computer) skup instrukcija tenzorskog procesora može rukovati složenim naredbama, postoji ih samo desetak. A većina potrebnih operacija zahtijeva samo pet instrukcija, uključujući upute za čitanje, izvođenje množenja matrica ili procjenu aktivacijske funkcije.

Optimizacijom proračuna umjetne inteligencije tenzorski procesori znatno su brži od konvencionalnih procesora (45 puta) ili GPU-ovi(17 puta). Istodobno rade s većom energetskom učinkovitošću.

A Google je tek na početku svog puta: uz pomoć jednostavne mjere Učinkovitost tenzorskih procesora može se dodatno povećati. Samo instaliranje GDDR5 RAM-a može utrostručiti vašu trenutnu procesorsku snagu.

Ako ste se oduvijek pitali što se događa u neuronima neuronskih mreža, Google će vam to konačno moći objasniti. Tvrtka je objavila izbor eksperimentalnih usluga koje pokazuju za što je sposobna moderna umjetna inteligencija.

Najzanimljiviji od njih je Quick, Draw! - predlaže igranje neke vrste "krokodila". Vaš zadatak je nacrtati zadani predmet u 20 sekundi, na primjer mrkvu, bicikl, loptu, lice i tako dalje. Tijekom tog istog vremena, program bi trebao prepoznati što ste točno pokušali prikazati. Dok kursorom crtate nespretne linije, neuronska mreža izbacuje opcije dok ne prepozna pravu.

Pritom, kako i priliči neuronskoj mreži, uči na temelju crteža drugih korisnika. I što više slika AI vidi, to brže može pronaći točan odgovor. Na primjer, u tim škrabotinama neuronska mreža prepoznala je krokodila u nekoliko sekundi. Možeš li?

Još jedna zabavna usluga zove se Giorgio Cam. Može identificirati objekte koje vidi u kameri. Ovdje rezultati nisu tako impresivni, a AI često griješi. Međutim, nedostatak točnosti kompenzira se prezentacijom. Proces identifikacije predmeta popraćen je razigranom elektronskom glazbom, a neuronska mreža ritmički postavlja opcije odgovora u ritmu. Sve to izgleda prilično jezivo, ali fascinantno.

Općenito, AI je još uvijek prilično primitivan i, očito, nije sposoban osmisliti učinkovit plan preuzimanja čovječanstva. Ali to je to za sada.

Možete pogledati sve Googleove zabavne eksperimente na području stvaranja umjetne inteligencije.